Para resolver o problema da baixa precisão na detecção de defeitos fracos em telas de cristal líquido causado por múltiplas convoluções e assimilação com a textura de fundo, foi proposto um modelo aprimorado de detecção de defeitos de características fracas para telas de cristal líquido baseado no YOLOv5, chamado YOLO-Mura. Primeiramente, o operador Involution foi introduzido na rede principal para ampliar o campo receptivo, reforçar as informações dos defeitos de características fracas no espaço e reduzir o número de operações de ponto flutuante do modelo. Em seguida, o operador de upsampling CARAFE foi adotado para otimizar o método de upsampling e aumentar a capacidade de atenção a defeitos fracos. Depois, na rede do pescoço, o módulo de atenção BiFormer foi incorporado para melhorar a capacidade de extração de características sob forte interferência de fundo. Por fim, a estrutura piramidal bidirecional ponderada BiFPN foi aplicada para aumentar a utilização da fusão de características em diferentes níveis. Os resultados experimentais no conjunto de dados de defeitos Mura de tela de cristal líquido desenvolvido internamente mostraram que a precisão, recall e mAP@0.5 do modelo YOLO-Mura aumentaram 2,2%, 6,6% e 2,7%, respectivamente, enquanto a carga computacional do modelo foi reduzida em 66,5%. A comparação com os algoritmos tradicionais de detecção de objetos indicou que o modelo aprimorado final deste estudo apresenta bom desempenho na detecção de defeitos Mura de características fracas em telas de cristal líquido.

tela de cristal líquido;defeitos Mura;algoritmo YOLOv5;detecção de características fracas